論文の概要: Innovative Quantitative Analysis for Disease Progression Assessment in Familial Cerebral Cavernous Malformations

• arxiv url: http://arxiv.org/abs/2403.15803v1
• Date: Sat, 23 Mar 2024 11:27:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 21:02:48.390096
• Title: Innovative Quantitative Analysis for Disease Progression Assessment in Familial Cerebral Cavernous Malformations
• Title（参考訳）: 家族性脳血管奇形における疾患進展評価の革新的定量的解析
• Authors: Ruige Zong, Tao Wang, Chunwang Li, Xinlin Zhang, Yuanbin Chen, Longxuan Zhao, Qixuan Li, Qinquan Gao, Dezhi Kang, Fuxin Lin, Tong Tong,
• Abstract要約: 家族性脳海綿状奇形 (FCCM) は中枢神経系の異常血管構造を特徴とする遺伝性疾患である。 本稿では,効率的なアノテーションモジュール,FCCM病変セグメンテーションモジュール,FCCM病変量統計モジュールからなるFCCMの定量的統計フレームワークを提案する。 我々のフレームワークは、効率的なデータアノテーションに基づいて、FCCM病変の正確なセグメンテーションを示し、Dice係数は93.22%である。
• 参考スコア（独自算出の注目度）: 6.6862698411533605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Familial cerebral cavernous malformation (FCCM) is a hereditary disorder characterized by abnormal vascular structures within the central nervous system. The FCCM lesions are often numerous and intricate, making quantitative analysis of the lesions a labor-intensive task. Consequently, clinicians face challenges in quantitatively assessing the severity of lesions and determining whether lesions have progressed. To alleviate this problem, we propose a quantitative statistical framework for FCCM, comprising an efficient annotation module, an FCCM lesion segmentation module, and an FCCM lesion quantitative statistics module. Our framework demonstrates precise segmentation of the FCCM lesion based on efficient data annotation, achieving a Dice coefficient of 93.22\%. More importantly, we focus on quantitative statistics of lesions, which is combined with image registration to realize the quantitative comparison of lesions between different examinations of patients, and a visualization framework has been established for doctors to comprehensively compare and analyze lesions. The experimental results have demonstrated that our proposed framework not only obtains objective, accurate, and comprehensive quantitative statistical information, which provides a quantitative assessment method for disease progression and drug efficacy study, but also considerably reduces the manual measurement and statistical workload of lesions, assisting clinical decision-making for FCCM and accelerating progress in FCCM clinical research. This highlights the potential of practical application of the framework in FCCM clinical research and clinical decision-making. The codes are available at https://github.com/6zrg/Quantitative-Statistics-of-FCCM.
• Abstract（参考訳）: 家族性脳海綿状奇形 (FCCM) は中枢神経系の異常血管構造を特徴とする遺伝性疾患である。 FCCMの病変は多種多様で複雑であり、その病変を定量的に分析することは労働集約的な課題である。 その結果、臨床医は病変の重症度を定量的に評価し、病変が進行したかどうかを判断する上で困難に直面した。 この問題を軽減するために,効率的なアノテーションモジュール,FCCM病変セグメンテーションモジュール,FCCM病変定量統計モジュールからなるFCCMの定量的統計フレームワークを提案する。 本フレームワークは,効率的なデータアノテーションに基づくFCCM損傷の正確なセグメンテーションを示し,Dice係数93.22\%を達成する。 さらに, 画像登録と組み合わせて, 患者の異なる診察者間での病変の定量的比較を実現する量的統計に焦点を合わせ, 医師による病変の総合的比較・解析を行うための可視化フレームワークが確立されている。 実験の結果,本フレームワークは, 客観的, 正確, 包括的定量的な統計情報を得るだけでなく, 病状進行および薬物効用研究の定量的評価方法を提供するとともに, 手動計測, 統計的作業量を大幅に削減し, FCCMの臨床的意思決定を支援し, FCCMの臨床研究の進展を加速することを示した。 このことは、FCCM臨床研究および臨床意思決定におけるフレームワークの実践的応用の可能性を強調している。 コードはhttps://github.com/6zrg/Quantitative-Statistics-of-FCCMで公開されている。

関連論文リスト

• Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
  本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。 Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-16T22:32:19Z)
• A Knowledge-Enhanced Disease Diagnosis Method Based on Prompt Learning and BERT Integration [0.0]
  本稿では,素早い学習枠組みに基づく知識強調型疾患診断手法を提案する。 本手法は、臨床症例に関連する外部知識グラフから構造化知識を検索し、それをエンコードし、プロンプトテンプレートに注入することで、言語モデルのタスクに対する理解と推論能力を高める。
  論文  参考訳（メタデータ） (2024-09-16T15:34:58Z)
• Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
  本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。 まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
  論文  参考訳（メタデータ） (2024-08-15T21:49:43Z)
• A Clinical-oriented Multi-level Contrastive Learning Method for Disease Diagnosis in Low-quality Medical Images [4.576524795036682]
  コントラスト学習(CL)により誘導される疾患診断法は,病変の特徴表現において有意な優位性を示した。 本稿では,病変の特徴を抽出するためのモデルの能力向上を目的とした,臨床指向型多段階CLフレームワークを提案する。 提案されたCLフレームワークは、EyeQとChest X-rayの2つの公開医療画像データセットで検証されている。
  論文  参考訳（メタデータ） (2024-04-07T09:08:14Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis [9.295643448425182]
  磁気共鳴画像(MRI)における白質病変(WML)セグメンテーションの不確実性評価に焦点をあてる。 一方、ボクセルスケールのセグメンテーションエラーは、病変の誤行を引き起こすが、他方では、病変サイズの検出エラーは、間違った病変数を引き起こす。 本研究の目的は, セグメンテーションと病変検出に関する誤差をそれぞれ捉えるために, 異なるボクセルと病変スケールの不確実性対策の能力を比較することである。
  論文  参考訳（メタデータ） (2022-11-09T11:53:29Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。